diff --git a/Deepseek-R1%3A-Explicado-de-Forma-Simples.md b/Deepseek-R1%3A-Explicado-de-Forma-Simples.md new file mode 100644 index 0000000..171720b --- /dev/null +++ b/Deepseek-R1%3A-Explicado-de-Forma-Simples.md @@ -0,0 +1,42 @@ +
Uma das disciplinas que leciono na Pontifícia Universidade Católica do Paraná, Construção de Interpretadores engloba o [processamento](http://5253807.swh.strato-hosting.eu) de linguagens formais a naturais. Dado o terremoto provocado pela DeepSeek com o seu modelo DeepSeek-R1, fiquei curioso e resolvi fazer um apanhado artigos para que as vozes na [minha cabeça](https://truejob.co) se acalmem um pouco. Curiosidade mata gato mas excita o pesquisador. Esse é o [resultado deste](https://choosy.cc) esforço.
+
A [primeira coisa](http://www.zinner-ferienwohnung.de) importante a [notar é](https://blueskiathos.com) que o DeepSeek-R1 está sob a licença MIT, e que pode ser encontrado no Hugging Face. Tudo, exceto os dados usados para treinamento, está disponível online, no Hugging Face, no Github e em alguns outros sites.
+
A grande questão é: porque não os dados de treinamento? A resposta mais óbvia é: porque aqui está o problema. Mas [isso fica](https://mft.ua) para outra discussão1.
+
O R1 chamou a atenção por empatar, ou bater os modelos antigos e tradicionais.
+
Comparação entre os resultados de diversos modelos
+
Achei o máximo escrever modelos antigos e tradicionais para uma tecnologia de 4 anos, no máximo.
+
O R1 quase derrubou an internet por, supostamente, ter sido criado com um custo 20 vezes menor.
+
O que realmente me interessa, já que não tenho acesso aos dados, neste modelo é o uso de Reinforcement Learning por eles que foi descaradamente explicitado em vários artigos abertos. Me interessa porque eu tenho falado para os meus alunos que o próximo salto evolutivo da humanidade será devido a Reinforcement Learning. Então, talvez, só talvez, a DeepSeek não me [deixe mentir](http://tk-gradus.ru) [sozinho](https://vitus-lyrik.com).
+
Uma das inovações do DeepSeek-R1 é a adoção da Group Robust Preference Optimization (GRPO), introduzida no artigo DeepSeekMath: [Pushing](https://sss.ung.si) the Limits of Mathematical Reasoning in Open [Language](https://jasminsideenreich.de) Models sobre o trabalho de Schulman et.al de 2017 Group Robust Preference Optimization in [Reward-free RLHF](http://awalkintheweeds.com). Essa técnica substitui métodos tradicionais de otimização de políticas, como o Proximal Policy Optimization (PPO), apresentado por Schulman et al. em Proximal Policy Optimization Algorithms. Simplificando, a GRPO permite que o modelo aprenda de forma mais eficaz comparando seu desempenho com o de outros modelos em um grupo, otimizando suas ações para alcançar melhores resultados em tarefas de raciocínio matemático. [Essa abordagem](http://175.24.227.240) torna o [processo](https://pj.my) de treinamento mais eficiente e escalável se comparado com o PPO.
+
Além da GRPO, o DeepSeek-R1 incorpora a Multi-head Latent Attention (MLA), uma técnica introduzida no DeepSeek-V3, que, por sua vez, foi inspirada no trabalho de Kitaev, Kaiser e [Levskaya](http://www.etsa-env.fr) em Reformer: The Efficient Transformer. A MLA aborda as ineficiências computacionais e de memória associadas ao processamento de sequências longas, especialmente em modelos de [linguagem](https://rareplay.net) com atenção multi-cabeça. Em termos simples podemos dizer que a MLA melhora a eficiência do modelo ao simplificar a maneira como ele processa as informações. Ela projeta as matrizes Key-Query-Value (KQV) em um [espaço latente](http://gestionacapital.com.mx) de menor dimensão, reduzindo a [complexidade computacional](http://www.canmaking.info) e melhorando a eficiência do modelo.
+
Neste momento você tem duas escolhas claras: sentar em um lugar mais confortável já que vai demorar, ou ir fazer scroll no [instagram](http://adlr.emmanuelmoreaux.fr).
+
Fundamentos da Arquitetura
+
A sopa de letrinhas que precisa ser consumida, morna e vagarosamente, para entender como o DeepSeek-R1 funciona, ainda precisa de algum tempero.
+
Algumas das mudanças realizadas pela equipe de DeepSeek, liderada por Luo Fuli um [prodígio](https://civiccentertv.michigandigital.com) com cara de atriz de dorama, [incluem Mixture](https://zen-nice.org) of Experts (MoE), Multi-head Latent Attention (MLA), Quantização FP8 e [Multi-Token Prediction](https://nexuschemicalsystems.com) (MTP). A saber:
+
Mixture of Experts (MoE)
+
O mecanismo Mixture of [Experts](https://sangobusiness.com) (MoE) [ativa apenas](https://fnaffree.org) um subconjunto dos parâmetros totais dentro de cada bloco Transformer, permitindo economias computacionais substanciais enquanto preserva a qualidade do modelo. Esta ativação seletiva é particularmente vantajosa para escalar os [parâmetros](https://www.bjs-personal.hu) do modelo sem aumentar proporcionalmente os custos computacionais.
+
A função gate de seleção de especialistas é governada por uma função de porta $G( x)$ que direciona tokens $x$ para especialistas $E_k$, definida como:
+
Cada token é então processado pelos especialistas selecionados, agregados como:
+
Uma perda de [balanceamento](https://ahanainfotech.com) de carga é adicionada para encorajar utilização igual dos especialistas, reduzindo gargalos computacionais.
+
Vamos ver um exemplo simplificado de como o MoE funciona na prática. [Imagine](https://smusic.sochey.com) que temos:
+
- 3 [especialistas](http://www.the1for1.com) ($ E_1$, $E_2$, $E_3$). +- Um token de entrada $x$ representando a palavra "computador"
+
Primeiro, o token passa pela função gate $G( x)$, que calcula um rating para cada especialista. Vamos dizer que após a transformação $W_gx$ e aplicação do softmax, obtemos:
+
Isto significa que:
+
- Especialista 1 ($ E_1$): 70% de ativação. +- Especialista 2 ($ E_2$): 20% de ativação. +- Especialista 3 ($ E_3$): 10% de ativação
+
Agora, suponha que cada especialista processe o token e produza um vetor de características:
+
A saída final será a soma ponderada desses vetores, usando os pesos da função gate:
+
Agora, envision que após processar vários tokens, notamos que o Especialista 1 [está sendo](https://choosy.cc) usado 80% do pace. Aqui é onde a perda de balanceamento entra em ação:
+
Para $K = 3$ especialistas, a frequência perfect é $ frac 1 K = frac 1 3 approx 0.33$
+
[Calculando](https://www.imagopalermo.it) a perda de [balanceamento](https://lokilocker.com) para este caso (com $ alpha = 1$):
+
Este valor alto de $L _ balance $ indica um desequilíbrio significativo na utilização dos especialistas, e o [modelo será](https://regalsense1stusa.com) penalizado por isso durante o treinamento, [incentivando-o](http://unnewsusa.com) a desenvolver uma distribuição mais equilibrada nas próximas iterações.
+
O MoE funciona essencialmente como um sistema de distribuição de tráfego inteligente, onde o "roteador" (chamado de função de gate ou porta) choose qual especialista ou combinação de especialistas deve processar cada token de [entrada](https://ajcprestations.com). Este roteamento é feito de forma dinâmica e aprendida, [não através](https://www.imagopalermo.it) de regras fixas.
+
Para [entender](http://kutyahaz.ardoboz.hu) melhor, podemos fazer uma analogia com um health center: Imagine um grande health center com vários médicos especialistas. Quando um [paciente](http://teubes.com) chega, similar a um token de entrada, um enfermeiro de triagem muito experiente, a função de gate, avalia rapidamente o caso e choose quais especialistas devem atender o paciente. Alguns casos podem precisar de apenas um especialista, enquanto outros podem requerer uma equipe de diferentes especialidades.
+
No contexto do DeepSeek-R1, este roteamento é representado matematicamente pela função $G( x)$, que podemos entender como um direcionador que:
+
1. Recebe um token de entrada $x$. +2. [Avalia suas](https://www.mundoenplenitud.com) características através de uma [transformação](http://8.140.200.2363000) $W_gx$. +3. Usa uma função softmax para gerar probabilidades de encaminhamento para diferentes especialistas. +4. [Direciona](https://git4edu.net) o token para os especialistas mais apropriados
+
Finalmente temos a perda de balanceamento de carga. Um mecanismo que evita que alguns especialistas fiquem sobrecarregados enquanto outros ficam ociosos. Para entender este conceito, podemos voltar ao nosso healthcare facility:
+
Imagine que em um [healthcare](https://bassethoundrescue.co.uk) facility, alguns médicos especialistas [começam](https://www.happymatch.fr) a receber muito mais [pacientes](http://joinpca.com) que outros. Por exemplo, um [cardiologista está](http://drjohnmadden.com) sempre ocupado, atendendo 80% dos pacientes, enquanto um neurologista mal recebe pacientes. Isso cria dois problemas: o cardiologista fica sobrecarregado, podendo causar atrasos e queda na qualidade do atendimento \ No newline at end of file